Integral Channel Features

最新推荐文章于 2018-05-15 23:40:41 发布

暖阿暖

最新推荐文章于 2018-05-15 23:40:41 发布

阅读量893

点赞数

Integral Channel Features; Piotr Dollar、Zhuowen Tu; BMVC2009;

积分通道特征的主要思想是：通过对输入图像进行线性和非线性的变换，比如局部求和、直方图、Haar结构特征，它们的特征便可以通过积分图快速计算出来。1）和HOG比，具有较快的速度以及较好的检测性；2）与DPM比，虽然性能上有一定的差距，但是速度较快，设计简单。其核心思想就是从海量的特征中用AdaBoost选择具有区分力的特征。

给定一个输入图像，它的通道是对应于输入图像的输出响应。对于灰度图像，它的通道便是原图本身。而对于彩色图像，它的每个颜色都是一个通道（RGB三通道）。其他通道可以通过线性和非线性的计算得出。

通道类型

1.灰度与颜色

最简单的通道就是原图本身的灰度图。也可以是颜色通道，如图b（三通道特征LUV）。

2.线性滤波

通过线性变换而得到通道。将原图跟四个不同方向的Gabor滤波器进行卷积得到通道，每一个通道都包含了不同方向的边缘信息（如图c）。如果将原图和Difference of Gaussian (DoG)滤波器进行卷积，将得到（如图d）含有不同尺度的纹理信息的通道。

3.非线性变换

（1）梯度幅度(图e)，捕捉边缘强度；（2）canny边缘（图f），更明确的计算边缘信息

而彩色图片，需要分别在三个颜色通道上计算梯度，使用最大响应作为最后输出。

图l则是利用了两个不同的阈值对图像进行二值化得到的通道信息。

4.逐点变换

在一个通道中的每个像素可以由任意一个函数来后加工进行变换。这可用来克服特征f必须是矩形区域内像素值之和的限制。

5.积分直方图

提出用积分图来计算直方图。详见论文。

6.梯度直方图

梯度直方图HOG是一个加权直方图。它的权值是通过梯度的幅值计算而来的。

The Fastest Pdestrian Detector in the West;Piotr Dollar、Serge Belongie、Pietro Perona;BMVC2010;

第二篇论文在第一篇上做了改进。

文章的主要思想都建立在一个点上：文章的主要思想都建立在一个点上：相邻尺度的积分通道特征之间存在一定的相似性，可以通过用邻近的的特征逼近计算出来。每个Octave内可以只计算其中一个标准模型的通道特征，其余的通道特征通过该计算结果的特征逼近计算得到。这样准确度和速度都得到了提高。

1.近似的多尺度直方图

（1）上采样图像的梯度直方图
上采样的图像和原始图像的直观信息内容是一样的。上采样图像并没有加入新的图像结构。假设I是原始图像，Ik是上采样图像。那么在x方向的导数是，同理y方向。简单地说，这里可以看到上采样图像的梯度变化倍率比原始图像要慢k倍。所以，这可以表示为上采样离散图像的梯度幅值。那么可以得出以下：

结合直方图的定义可以得出，上采样某一区域内的梯度之和是其对应原始区域梯度之和的k倍。

下图为文章实验得出的概率分布，符合预期.(k=2）

（2）下采样图像的梯度直方图

和上采样图像不同，下采样图像的高频信息通常都是丢失的。但是文章中发现信息丢失有一致性，所以是可以弥补的。
下图给出分别给出了上采样图像、原始图像以及下采样图像在8个方向的梯度直方图，可以看出前两个图像的直方图基本一致，第三个图像存在较大的差别，主要原因是由于第三个图像中含有的大量高频信息，在下采样过程中丢失了。